基于多特征融合半自動(dòng)巖心圖像顆粒提取

侯情緣，卿粼波，滕奇志

(四川大學(xué) 電子信息學(xué)院，四川 成都 610000)

基于多特征融合半自動(dòng)巖心圖像顆粒提取

侯情緣，卿粼波，滕奇志

(四川大學(xué) 電子信息學(xué)院，四川 成都 610000)

基于最大相似度的區(qū)域合并算法是一種半自動(dòng)的圖像處理方式，可根據(jù)用戶提供的交互信息，利用圖像特征作為區(qū)域相似度進(jìn)行準(zhǔn)確的目標(biāo)提取。但傳統(tǒng)的MSRM算法計(jì)算量大，使用單一的圖像特征使得分割不夠精確。針對(duì)這些問(wèn)題，文章對(duì)MSRM算法進(jìn)行改進(jìn)，提出一種基于多特征的區(qū)域最大相似度圖像分割算法，并采用矩陣變換算法來(lái)降低計(jì)算量。該方法使用超像素圖像作為分割基礎(chǔ)，首先計(jì)算圖像相鄰區(qū)域紋理和顏色特征相似度，并使用矩陣變換算法降低顏色特征矢量維度,然后計(jì)算兩種特征的權(quán)重，最后根據(jù)綜合后的相似度對(duì)圖像進(jìn)行區(qū)域合并，得到最終的顆粒提取結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法可以有效提取顆粒的輪廓，提取的輪廓邊緣細(xì)節(jié)較傳統(tǒng)MSRM算法更優(yōu)，算法執(zhí)行效率也得到了提高。

顏色直方圖；矩陣變換；自適應(yīng)加權(quán)；多特征融合

0 引言

巖心顆粒圖像分割作為后續(xù)磨圓度、礫徑等分析的前提，對(duì)沉積儲(chǔ)層的研究具有重要意義[1]。傳統(tǒng)的手工分割比較精確，但費(fèi)時(shí)費(fèi)力，難以滿足實(shí)際需求，因此需要結(jié)合圖像分割理論使用計(jì)算機(jī)實(shí)現(xiàn)巖心顆粒目標(biāo)自動(dòng)提取。

MSRM算法[2]由NING J等人于2010年提出，該算法基于最大相似度區(qū)域融合策略實(shí)現(xiàn)區(qū)域間合并，通過(guò)迭代融合實(shí)現(xiàn)目標(biāo)與背景的分離。在整個(gè)算法執(zhí)行過(guò)程中僅基于區(qū)域最大相似度合并規(guī)則完成區(qū)域合并，無(wú)需參數(shù)控制，并且分割精度高，分割性能較好[3]。但傳統(tǒng)的MSRM算法使用單一的顏色直方圖描述區(qū)域相似度，當(dāng)圖像中目標(biāo)與背景顏色過(guò)渡不明顯時(shí)算法效果不理想；而且算法計(jì)算量大，效率較低[4]。徐杰[5]等人提出先對(duì)圖像進(jìn)行細(xì)節(jié)增強(qiáng)，再運(yùn)用MSRM算法來(lái)提高圖像分割精度。但是該方法可能丟失圖像邊緣信息，而且算法執(zhí)行效率更低；徐少平[6]等人則提出了IMSRM算法，該算法改用紋理特征直方圖描述相鄰區(qū)域相似度。IMSRM算法提高了算法執(zhí)行效率，但是分割精度不高。

針對(duì)上述問(wèn)題，本文提出了對(duì)MSRM算法的另一種改進(jìn)算法，即綜合使用顏色和紋理特征，并通過(guò)數(shù)學(xué)模型確定不同區(qū)域兩種特征的權(quán)重，將兩種特征加權(quán)融合后作為最終的區(qū)域相似度，然后根據(jù)最終的相似度對(duì)待分割圖像進(jìn)行區(qū)域之間的合并，獲得較為準(zhǔn)確的圖像顆粒提取結(jié)果。同時(shí)，在計(jì)算顏色特征矢量矩陣時(shí)使用矩陣變換算法降低算法計(jì)算量，使得算法效率也得到有效提高。

本文中，在采用MSRM算法進(jìn)行目標(biāo)提取前，首先進(jìn)行圖像預(yù)處理和超像素圖像構(gòu)建。完成超像素分割的圖像為具有一致性圖像特征的超像素區(qū)域的集合。同時(shí)，需要用戶標(biāo)出目標(biāo)與背景的代表區(qū)域作為區(qū)域合并的先驗(yàn)基礎(chǔ)。圖像經(jīng)過(guò)交互式操作被劃分為目標(biāo)、背景和未標(biāo)記三種區(qū)域的集合，使用MSRM算法就是應(yīng)用其區(qū)域融合規(guī)則來(lái)實(shí)現(xiàn)對(duì)未標(biāo)記區(qū)域集合的分配和修正，逐步將未標(biāo)記區(qū)域歸并到目標(biāo)區(qū)域和背景區(qū)域，當(dāng)未標(biāo)記區(qū)域全部歸并到目標(biāo)或背景區(qū)域時(shí)，認(rèn)為圖像分割完成。

1 多特征相似度測(cè)量

在完成超像素圖像分割并且標(biāo)記出主體和背景之后，MSRM算法采用一種自適應(yīng)于圖像內(nèi)容的區(qū)域融合策略，即通過(guò)計(jì)算各區(qū)域與相鄰區(qū)域之間的相似度，利用融合規(guī)則將未標(biāo)記區(qū)域合并到背景或主體區(qū)域[4]。MSRM算法使用顏色特征衡量?jī)蓚€(gè)區(qū)域之間的相似度，然后根據(jù)融合規(guī)則進(jìn)行區(qū)域合并。當(dāng)圖像中目標(biāo)與背景顏色過(guò)渡不明顯時(shí)，利用單一的顏色直方圖計(jì)算區(qū)域相似度，圖像分割效果不理想，尤其對(duì)于色彩相對(duì)單調(diào)的巖心圖像，往往會(huì)導(dǎo)致目標(biāo)提取不夠準(zhǔn)確。紋理特征不同于顏色特征，主要反映像素灰度級(jí)空間分布特征[6]，是圖像另一種重要的屬性。因此本文綜合使用顏色和紋理特征作為區(qū)域相似度描述符，首先用巴氏系數(shù)分別計(jì)算顏色和紋理特征矢量矩陣，然后自適應(yīng)加權(quán)融合兩種特征得到最終的區(qū)域相似度。

1.1 特征值計(jì)算

本文計(jì)算區(qū)域之間的相似度融合采用顏色特征和紋理特征。MSRM算法中將三通道彩色圖像量化為單通道特征矩陣[2]。3個(gè)通道的N階量化，將整個(gè)RGB顏色空間劃分為N3種顏色的組合。經(jīng)過(guò)實(shí)驗(yàn)，綜合考慮時(shí)間效率和提取精度，選擇N等于16。首先計(jì)算各區(qū)域的顏色直方圖，然后采用巴氏系數(shù)(Bhattacharyya Coefficient)來(lái)衡量?jī)蓚€(gè)顏色直方圖之間的相似度[7]。如果把區(qū)域R的顏色直方圖記為HistcR，那么可以定義出區(qū)域R和區(qū)域Q的相似度ρc(R,Q)為：

(1)

紋理特征使用灰度共生矩陣(GLCM)表達(dá)[8]，GLCM描述了在某個(gè)方向上相隔固定值的兩個(gè)像素點(diǎn)灰度值為t的概率。計(jì)算GLCM，首先需要將原彩色圖像轉(zhuǎn)化為灰度圖像，轉(zhuǎn)換后的圖像灰度級(jí)為0～255，此時(shí)GLCM大小為256×256。大的灰度等級(jí)更有利于表達(dá)圖像特征[8]，但是也會(huì)使計(jì)算時(shí)間呈幾何級(jí)數(shù)增長(zhǎng)。一般取S為32，創(chuàng)建大小為S×S的灰度共生矩陣GLCM(θ,d)，統(tǒng)計(jì)在θ方向上相隔距離為d的像素點(diǎn)對(duì)的每種取值在圖像中出現(xiàn)的頻率。本文取d為1，分別計(jì)算θ為0°、45°、90°、135°時(shí)的區(qū)域GLCM(θ,d)，得到圖像的水平、垂直、主對(duì)角線和副對(duì)角線4個(gè)方向的灰度共生矩陣。分別計(jì)算每個(gè)灰度共生矩陣的能量(fASM)、反差(fCON)、熵(fENT)、相關(guān)性(fCOR)4個(gè)特征，經(jīng)過(guò)歸一化后組成大小為4×4的二維特征矩陣FGLCM=(FASM,FCON,FENT,FCOR)T，用來(lái)表征圖像的紋理特征。

得到區(qū)域的FGLCM矩陣后，同計(jì)算顏色特征相似度一樣。區(qū)域R和區(qū)域Q之間紋理相似度ρt(R,Q)定義為：

(2)

1.2 多特征自適應(yīng)融合

在一幅圖像中，存在紋理特征明顯的區(qū)域和顏色特征明顯的區(qū)域[9]。所以在本文中，用公式計(jì)算每種特征在不同區(qū)域所占總相似度的權(quán)重，在一幅圖像中自適應(yīng)地確定兩種特征的權(quán)重。設(shè)w(t|R)和w(c|R)為在區(qū)域R中紋理特征和顏色特征所占的權(quán)重。

計(jì)算顏色和紋理特征權(quán)重時(shí)，首先計(jì)算該區(qū)域梯度幅值的歸一化得到直方圖G，再使用式(3)計(jì)算G的稀疏度S:

(3)

(4)

其中f(x,y)為灰度化后的點(diǎn)(x,y)處的像素值。然后使用對(duì)數(shù)函數(shù)對(duì)顏色特征權(quán)重進(jìn)行建模：

(5)

其中a和b為常數(shù)，可以通過(guò)實(shí)驗(yàn)、訓(xùn)練的方法進(jìn)行估算，根據(jù)文獻(xiàn)[10]中實(shí)驗(yàn)參數(shù),選擇a=41.9，b=37.2。w(c|R)的值越接近1，則在該區(qū)域中顏色所占權(quán)重越大。對(duì)于兩個(gè)區(qū)域R和Q，采用式(6)融合兩個(gè)概率。

w(c|R,Q)=min(w(c|R),w(c|Q))

(6)

w(t|R,Q)=1-w(c|R,Q)

(7)

總區(qū)域相似度ρ(R,Q)由顏色相似度ρc(R,Q)和紋理相似度ρt(R,Q)由式(8)通過(guò)加權(quán)融合獲得：

ρ(R,Q)=w(c|R,Q)ρc(R,Q)+w(t|R,Q)ρt(R,Q)

(8)

MSRM算法使用由顏色和紋理特征加權(quán)融合而得的相似度作為合并準(zhǔn)則更加合理，也使后續(xù)的分割更加準(zhǔn)確。

2 矩陣變換

MSRM算法的核心思想就是相似區(qū)域的合并規(guī)則，從而也決定了算法在執(zhí)行過(guò)程中需要反復(fù)衡量計(jì)算相鄰區(qū)域間的相似度[4]。

在測(cè)量相鄰區(qū)域間顏色特征相似度時(shí)，MSRM算法通過(guò)對(duì)彩色圖像R、G、B 3個(gè)通道進(jìn)行16階量化，將整個(gè)RGB顏色空間劃分為163種顏色的組合，則每個(gè)區(qū)域顏色直方圖特征矢量長(zhǎng)達(dá)4 096維。反復(fù)應(yīng)用巴氏系數(shù)進(jìn)行直方圖相似度衡量運(yùn)算將直接限制MSRM算法的運(yùn)行效率。因此，本文提出使用矩陣變換算法來(lái)降低顏色直方圖特征矢量維數(shù)，提升MSRM算法的運(yùn)行效率。

通過(guò)式(2)可以看出，如果N3維的顏色直方圖特征矢量中包含0值，那么0值與任何值的乘積加和將不會(huì)對(duì)區(qū)域間的相似度造成任何變化。事實(shí)上，根據(jù)文獻(xiàn)[4]對(duì)不同圖像N階量化后的顏色組合統(tǒng)計(jì)，在自然彩色圖像中，三通道顏色的組合數(shù)目將遠(yuǎn)低于16階量化后的顏色組合；針對(duì)巖心圖像，實(shí)際的顏色組合數(shù)目將更低。也就是說(shuō)運(yùn)算過(guò)程包含了大量無(wú)用的0值，降低了算法運(yùn)行效率。

矩陣變換算法可以簡(jiǎn)單有效地剔除特征矢量中的0值，應(yīng)用于MSRM算法中，將使得算法的運(yùn)行效率得到大幅度提升。矩陣變換算法基本步驟為：首先構(gòu)建一個(gè)表示灰度值的數(shù)組并初始化為-1和一個(gè)變量Num初始化為0。然后依次取原圖顏色值，讀取數(shù)組中以該值為下標(biāo)對(duì)應(yīng)的元素值，若為-1，將原圖中灰度值賦值為Num，然后Num增加1；若不為-1，以數(shù)組中的值賦值為原圖灰度值，依次統(tǒng)計(jì)變換，最后返回變換后的顏色特征矩陣和Num值。

返回的矩陣即為剔除冗余數(shù)據(jù)的圖像數(shù)據(jù)，Num值為彩色圖像中所包含顏色組合的實(shí)際個(gè)數(shù)。圖1給出了矩陣變換的示意圖：左邊矩陣內(nèi)數(shù)據(jù)是截取自圖像的局部數(shù)據(jù)，右邊是經(jīng)過(guò)變換后的矩陣數(shù)據(jù)。

圖1 直接顯示的結(jié)果

可以發(fā)現(xiàn)變換后的矩陣相當(dāng)于對(duì)原始數(shù)據(jù)進(jìn)行了重排，除去了冗余數(shù)據(jù)，使特征矢量的維度由N3降低為Num，此時(shí)可由式(9)計(jì)算顏色特征相似度。

(9)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 矩陣變換后的圖像特征矢量維度

矩陣變換后特征矢量維度變?yōu)镹um， 對(duì)不同圖像進(jìn)行16階灰度量化并對(duì)每個(gè)通道的顏色組合進(jìn)行統(tǒng)計(jì)，對(duì)比見(jiàn)表1。

表1 圖像經(jīng)過(guò)處理特征矢量維度對(duì)比

對(duì)圖像大小為974×735的巖心圖像1進(jìn)行性能測(cè)試，最大相似度區(qū)域融合算法的運(yùn)行時(shí)間隨顏色直方圖特征矢量維度變化的曲線如圖2所示。

圖2 特征矢量維度對(duì)算法效率的影響

從表1中可以看出，經(jīng)過(guò)數(shù)據(jù)重排，特征矢量維度降低了10倍左右。由于數(shù)據(jù)重排是剔除特征矢量中的0值，所以不會(huì)影響運(yùn)算結(jié)果，從圖2中可以看出數(shù)據(jù)越小，時(shí)間越少。所以經(jīng)過(guò)矩陣變換，在不影響精確度的同時(shí)使得算法效率得到提升。

3.2 優(yōu)化后算法的整體性能

在本文中進(jìn)行圖像分割，第一步對(duì)圖像進(jìn)行預(yù)處理，第二步進(jìn)行超像素的構(gòu)建，然后添加目標(biāo)和背景交互標(biāo)記，最后使用MSRM算法進(jìn)行圖像分割，可以多次添加交互標(biāo)記，進(jìn)行目標(biāo)提取。圖3為對(duì)真實(shí)巖心圖像進(jìn)行顆粒提取的過(guò)程。

圖3 巖心圖像1顆粒提取過(guò)程及效果

算法分割精度與算法執(zhí)行效率是衡量算法分割性能的重要依據(jù)。分割效果可以使用交互頻繁程度(FOI)、分割差異率(SDR)、邊界偏離誤差(BDE)三個(gè)標(biāo)準(zhǔn)進(jìn)行衡量。交互頻繁程度越低，分割差異率和邊界偏離誤差越小，表明分割性能越好[11]。表2為對(duì)圖3(e)和(f)兩圖評(píng)價(jià)指標(biāo)數(shù)據(jù)。

表2 巖心圖像1改進(jìn)前后MSRM算法數(shù)據(jù)對(duì)比

由表2的數(shù)據(jù)對(duì)比可以看出，改進(jìn)后的算法交互頻繁程度低，分割差異率和邊界偏離誤差更小。因此本文改進(jìn)算法可以產(chǎn)生更為便捷的分割過(guò)程和更為準(zhǔn)確的分割結(jié)果，從而減少交互操作，給巖心圖像顆粒提取帶來(lái)更多方便。

[1] 任輝.巖心粒度分割算法的研究與實(shí)現(xiàn)[D].荊州：長(zhǎng)江大學(xué),2013.

[2] NING J F,ZHANG L,ZHANG D,et al.Interactive image segmentation by maximal similarity based region merging[J].Pattern Recogn，2010，43(2):445-456.

[3] He Jia, KIM C S,C. KUO C C J.Interactive segmentation techniques[M].Springer,2013.

[4] 李朝輝.巖心圖像顆粒提取算法研究與實(shí)現(xiàn)[D].成都：四川大學(xué),2015.

[5] 徐杰,許存祿,邢磊,等.改進(jìn)的最大相似度區(qū)域目標(biāo)分割算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2015,36(9):2519-2523.

[6] 徐少平,劉小平,李春泉.基于區(qū)域最大相似度的快速圖像分割算法[J].光電子激光,2013,24(5):990-998.

[7] 唐超,交互式圖像分割相關(guān)技術(shù)研究[D].成都：電子科技大學(xué),2014.

[8] 苑麗紅,付麗,楊勇,等. 灰度共生矩陣提取紋理特征的實(shí)驗(yàn)結(jié)果分析[J].計(jì)算機(jī)應(yīng)用,2009,29(4):1018-1021.

[9] 鄭慶慶.紋理特征提取及其在圖像分割中的應(yīng)用研究[D].武漢：華中科技大學(xué),2011.

[10] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國(guó)圖象圖形學(xué)報(bào),2009,14(4):622-635.

[11] 張毓晉.圖像分割評(píng)價(jià)技術(shù)分類和比較[J].中國(guó)圖象圖形學(xué)報(bào), 1996，1(2):151-157.

Semi-automatic granule extraction of core image based on multiple features merging

Hou Qingyuan，Qing Linbo，Teng Qizhi

(School of Electronics and Information Engineering, Sichuan University, Chengdu 610000, China)

Maximal Similarity-based Region Merging(MSRM) is a semi-automated image processing technology,which can use image features as the regional similarity to extract target accurately based on the interactive information provided by users. But the traditional MSRM has the defects of computational complexity and unsatisfactory target extraction as a result of the single image feature. Aiming at these problems, an improved MSRM algorithm is proposed, which using multiple features to calculate the similarity among the adjacent regions and using matrix transformation algorithm to reduce the amount of calculation .This algorithm uses super-pixels as the splitting basis, calculates the similarity about texture and color among the adjacent regions firstly, then uses the matrix transformation algorithm to reduce the dimensions of color feature vector, thirdly, uses adaptive method to control the weights of two features about the regional similarity ,lastly gets the result of granule extraction according to the synthesized similarity. The experiments compared with traditional MSRM algorithm show that this approach can extract the granule contour more efficiently with more accurate details of granule contour and improve the efficiency.

color histogram；matrix transformation; adaptive weights; multiple features merge

TP751

A

10.19358/j.issn.1674- 7720.2017.01.016

侯情緣，卿粼波，滕奇志.基于多特征融合半自動(dòng)巖心圖像顆粒提取[J].微型機(jī)與應(yīng)用，2017,36(1)：52-55.

2016-09-28)

侯情緣(1991-)，女，碩士研究生，主要研究方向：圖像識(shí)別與計(jì)算機(jī)應(yīng)用。

卿粼波(1982-)，通信作者，男，博士，副教授，主要研究方向：圖像處理。E-mail: qing_lb@scu.edu.cn。

滕奇志(1971-)，女，博士，教授，主要研究方向：計(jì)算機(jī)應(yīng)用與圖像識(shí)別。